Sora 2 da OpenAI chegou e dá a sensação de que o futuro do cinema digital veio mais cedo 🎬✨ 🧵 Nesta thread vou contar, passo a passo, a ciência por trás da ilusão — como máquinas aprendem a criar vídeos que parecem reais.

Imagem indisponível

O salto não foi só melhorar imagens isoladas: modelos multimodais agora pegam um prompt curto e geram sequências audiovisuais coesas. Imagine pedir uma cena e receber algo com ritmo, enquadramento e continuidade — como se fosse filmado por profissionais.

No coração disso estão os difusores (diffusion models). Eles aprendem a 'desfazer' ruído até revelar uma imagem. Para vídeo, o truque é fazer esse processo respeitar o tempo: não basta uma boa imagem, é preciso que cada quadro converse com o anterior.

Imagem indisponível

É aí que entram os mecanismos de atenção adaptados ao espaço-tempo. Em vez de considerar apenas palavras ou pixels isolados, o modelo cria vetores espaço-temporais que ligam pontos ao longo de milhares de quadros — controlando movimento, expressão e continuidade.

Manter sombras, reflexos e microexpressões consistentes exige perdas temporais, fluxo óptico e, às vezes, consciência 3D. Modelos treinam em sequências e aprendem a prever como uma mão se move, como a luz muda e como a anatomia do rosto se preserva.

Imagem indisponível

As implicações são enormes: democratiza ferramentas de produção, mas também levanta questões sobre empregos em VFX, uso ético e pegada energética do treinamento. Vale discutir acesso justo, sustentabilidade e regulação técnica sem demonizar a tecnologia.

A tecnologia já permite criar cenas incríveis. O desafio agora é decidir que tipo de futuro audiovisual queremos: mais acesso criativo e responsabilidade ambiental, ou apenas produção ilimitada sem controle? A escolha é coletiva.

Imagem indisponível